新闻详情

新闻详情

首页 / 资讯中心 / 详情

c++之提高A(前缀和)(第三课)

发布时间:2026/11/12 10:45:39来源:尧图网络
c++之提高A(前缀和)(第三课)
1.前文嗯对在昨天作者写了一些无脑的玩意大家就当个乐子看。顺便放一下网址昨天的东西2.正文2.1前缀和的介绍讲一个小故事虽然纯属虚构从前有一个程序员他想求多个从第个数到第个数的总和。假设下面的变量代表的数字全都不超过他首先就想到要输入个数再输入代表要测几次。再分别输入和用一个变量求从第个数到第个数的总和。代码大致是这样的#includebits/stdc.h using namespace std; int a[10005]; int main() { int n,m; cinn; for(int i1;in;i) { cina[i]; } cinm; for(int i1;im;i) { int sum0,x,y; cinxy; for(int jx;jy;j) { suma[j]; } coutsumendl; } return 0; }听起来很简单但他发现如果评测机一秒钟测试上限是和等于或接近时时间就会超过一秒钟。为此他想破脑袋才想出来了一个绝妙的方法——前缀和。2.2前缀和的代码他告诉你前缀和是怎么运作的假设有一个数组里面的元素是这样的1、3、5、7、9。让你求第二个到第四个的和。正常人都会一个个加。可前缀和不是这样。它在输入数组的时候就开始了。#includebits/stdc.h using namespace std; int a[10005]; int s[10005]; int main() { int n,m; cinn; for(int i1;in;i) { cina[i]; s[i]s[i-1]a[i]; } return 0; }此时数组前缀和数组里面的值是1、4、9、16、25。求第二个数到第四个数的和就是s[4]-s[1];你可能会问为什么要减[1]而不是[2]呢他又说“看看数组里的数”一个个加的做法35715。前缀和的做法16-115。这可快多了这个程序员又把下面代码放到评测机里测试#includebits/stdc.h using namespace std; int a[10005]; int s[10005]; int main() { int n,m; cinn; for(int i1;in;i) { cina[i]; s[i]s[i-1]a[i]; } cinm; for(int i1;im;i) { int x,y; cinxy; couts[x]-s[y-1]endl; } return 0; }我去什么时间超限不是秒了吗至此故事结束。逃新手小白提高A
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/11 15:37:39

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉